Die präzise Segmentierung von Zungenbildern ist eine wichtige Voraussetzung für die objektive Analyse der Zungendiagnose in der Traditionellen Chinesischen Medizin (TCM). Die derzeit weit verbreiteten vollüberwachten Segmentierungsmethoden erfordern das Training mit einer großen Anzahl von pixelgenau annotierten Beispielen, während halbüberwachte Segmentierungsmethoden, die auf einem einzelnen Modell basieren, die Fähigkeit zur Selbstkorrektur erlernter Fehler vermissen lassen. Um dieses Problem zu adressieren, schlägt dieser Artikel eine neuartige halbüberwachte Segmentierungsmethode für Zungenbilder vor, die auf dem gegenseitigen Lernen zweier Modelle basiert. Zunächst werden die Modelle A und B auf einem gelabelten Datensatz überwacht trainiert. Danach treten beide Modelle in eine Phase des gegenseitigen Lernens mit einer in diesem Artikel entworfenen Verlustfunktion ein, bei der unterschiedliche Gewichte entsprechend der Diskrepanz der Vorhersagen der zwei Modelle auf unbeschrifteten Daten vergeben werden. Zuerst generiert Modell A Pseudo-Labels für den unbeschrifteten Datensatz, Modell B wird auf dem gelabelten und dem Pseudo-Label-Datensatz feinjustiert, dann generiert Modell B Pseudo-Labels und Modell A wird entsprechend feinjustiert. Nach Abschluss der gegenseitigen Feinjustierung wird das leistungsstärkere Modell als endgültiges Modell für die Segmentierung von Zungenbildern ausgewählt. Experimentelle Ergebnisse zeigen, dass die Methode bei Verhältnissen von gelabelten Daten von 1/100, 1/50, 1/25 und 1/8 mIoU-Werte von 96,67%, 97,92%, 98,52% und 98,85% erreicht und damit andere typische halbüberwachte Methoden übertrifft. Die vorgeschlagene Methode benötigt nur wenige gelabelte Daten, um eine hohe Segmentierungsgenauigkeit für Zungenbilder zu erzielen, kann eine solide Grundlage für nachfolgende Anwendungen zur Analyse von Zungenfarbe und -form in der TCM schaffen und die Digitalisierung der TCM-Diagnostik und -Behandlung vorantreiben.

halbüberwacht; gegenseitiges Lernen; Segmentierung von Zungenbildern; Verlustfunktion; Digitalisierung der Traditionellen Chinesischen Medizin